【技术实现步骤摘要】
本专利技术属于电力负荷预测领域，具体涉及一种基于时间卷积网络与informer组合模型的中长期电力负荷预测方法。
技术介绍
1、近年来，由于双碳目标、新能源和储能设施的接入、电动汽车的普及等发展趋势，中长期负荷预测的意义与价值日益突显。中长期负荷预测是开展电网规划工作的基础和依据，其预测结果的准确程度与电力系统规划的科学性密切相关。首先，中长期负荷预测结果可用于推算地区用电水平以指导电网规划和建设，避免频繁改扩建工程带来的成本增长。其次，预测结果对供电电源建设、变电站布点、线路走廊、电力设备选择以及发电容量扩建等方面也有决策支持作用。此外，中长期负荷预测还可以作为电力公司经营和制定发展战略的基础，有助于其准确把握市场动态，合理安排电网运行和检修计划，提高经济效益和社会效益。
2、现有预测技术中很难凭借单一方法就可以获取较为理想的结果，为了克服传统单一预测模型鲁棒性一般、泛化性能不足的问题，基于组合模型的预测方法应运而生。将多个模型进行集成组合，综合各个模型的优点，达到取长补短的效果，从而有效增强预测模型的适用性，提高预测结果的精度。然而，相对于短期负荷预测而言，中长期负荷预测的理论技术研究起步较晚且研究力度相对较弱。中长期负荷预测表现为：时间跨度大、训练样本少、影响因素多等主要特点，导致基于深度学习神经网络、集成树的负荷预测模型过拟合或无法收敛等预测效果表现不佳。因此，针对中长期负荷预测的组合预测模型仍有待进一步研究。
技术实现思路
1、本专利技术的目的在于提供一种基于
2、本专利技术提供的中长期电力负荷预测方法，包括如下步骤：
3、步骤1：对采集的电力负荷历史数据集进行预处理，并按比例分为训练集、测试集、验证集；
4、步骤2：构建tcn-informer组合预测模型，深入挖掘负荷时间序列的特征；
5、步骤3：基于步骤1得到的训练数据集，对步骤2构建的组合预测模型进行训练；
6、步骤4：基于步骤1得到的验证数据集和adabelief优化器，对步骤3训练后的组合预测模型进行超参数优化；
7、步骤5：基于步骤1得到的测试数据集对步骤4优化后的组合模型进行测试，并采用评价指标进行模型评估；
8、步骤6：采用步骤5得到的tcn-informer组合预测模型进行中长期电力负荷预测，获取预测结果。
9、所述步骤1包括：
10、步骤1-1：针对收集到的数据集进行清洗，包括对于缺失值和异常值的处理，采用该位置前后数据的平均值进行填充；
11、步骤1-2：通过1-1步骤得到清洗后的数据集，再将其进行归一化处理，将数据集的数值范围控制在[0,1]之间，具体的归一化公式如下：
12、式中，为实际负荷值，为样本数据的最大值，为样本数据的最小值，是归一化后的数据；
13、步骤1-3：对步骤1-2中完成归一化后的数据集进行划分，按照7:2:1的比例划分为训练集、测试集和验证集。
14、所述步骤2包括：
15、步骤2-1：构建tcn网络模块，该模块主要包含了时序卷积层、全连接层；其中时间卷积层被用来捕获时间序列的局部和全局特征，该层结构中包含多个以扩张因果卷积层，利用不同长度的卷积核进行卷积，得到不同的卷积结果；全连接层则将扩张因果卷积模块的输出进行组合，作为informer模块的输入；
16、步骤2-2：构建informer模块，该模块主要包含了编码器、解码器、全连接层；将步骤2-1中捕获到的特征序列作为该模块的输入，设定informer网络的预测模式，并对网络参数进行初始化；
17、步骤2-3：将步骤2-1中构建的时间卷积模型与步骤2-2中的informer模块进行组合，构建成tcn-informer组合预测模型，组合预测模型的公式可以表示为：
18、
19、其中，x是输入数据，tcn(x)表示tcn提取的特征，informer(tcn(x))表示informer对提取特征进行预测，表示组合预测模型的预测结果。
20、所述步骤3包括：
21、步骤3-1：为了有效捕获历史负荷数据中的时序信息，对步骤1-3中的训练集进行嵌入操作，将原始数据转化为表示向量；
22、步骤3-2：引入位置编码将每个序列中的样本数据分配一个独特的位置标记，以便识别时间上的顺序信息；
23、步骤3-3：通过编码后的时序数据输入到组合模型中进行模型训练。
24、所述步骤4包括：
25、步骤4-1：设置组合预测模型采用adabelief优化器进行优化，它在adam优化器的基础上引入了自适应的学习率缩放因子和参数更新，因而能够更好地适应不同参数的梯度特性；
26、步骤4-2：基于adam的方式计算梯度和梯度平方的移动平均值，公式如下：
27、
28、
29、其中，和分别为梯度和梯度平方的移动平均值，为当前梯度，和分别是adam中的动量和平方项衰减率，用来平衡当前梯度与历史梯度之间的权重；
30、步骤4-3：基于步骤4-2计算的和，adabelief通过除以和对初始阶段的偏差进行修正，从而增加算法在早期收敛和避免震荡方面的表现。具体公式如下：
31、
32、
33、其中，和分别代表修正后的梯度和梯度平方的移动平均值，和是动量衰减率，其中t代表当前的迭代步数；
34、步骤4-4：最终优化过程如下式所示：
35、
36、其中为模型的参数而为更新后的参数，为学习率，为一个极小的常数项。
37、所述步骤5包括：
38、步骤5-1：采用步骤1-3中的预测集对优化后的组合模型进行测试，获得预测值；
39、步骤5-2：选用均方根误差、平均绝对百分比误差评价指标，对tcn-informer组合预测模型的性能进行评估。
40、所属步骤6包括：
41、步骤6-1：确定预测目标时间长度，设置模型对应的预测步长；
42、步骤6-2：利用tcn-informer组合预测模型对输入数据进行预测，获取最终的负荷预测结果。
43、本专利技术的有益效果：
44、本专利技术提出了基于时间卷积网络与informer组合模型的中长期电力负荷预测模型。与现有技术相比，本专利技术通过运用深度学习知识领域的相关技术，即时间卷积网络和informer网络组合预测模型实现中长期电力负荷预测。通过引入时序卷积神经网络捕获数据的时间特征和informer能有效捕获长期的时间依赖关系，具有更好的预测能力。因此，在长时本文档来自技高网...
【技术保护点】
1.一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法，其特征在于：所述步骤1中，采用某省真实历史负荷数据，数据集中的时间戳信息包含年、月、日、小时的具体时间信息和每个时间点对应的负荷数据。所述步骤1包括：
3.根据权利要求1所述的一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法，其特征在于，所述步骤2包括：
4.根据权利要求1所述的一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法，其特征在于，所述步骤3包括：
5.根据权利要求1所述的一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法，其特征在于，所述步骤4包括：
6.根据权利要求1所述的一种基于时间卷积网络与Informer组合模型的中长期电力负荷预测方法，其特征在于，所述步骤5包括：
7.根据权利要求1所述的一种基于时间卷积网络与Informer
...【技术特征摘要】
1.一种基于时间卷积网络与informer组合模型的中长期电力负荷预测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于时间卷积网络与informer组合模型的中长期电力负荷预测方法，其特征在于：所述步骤1中，采用某省真实历史负荷数据，数据集中的时间戳信息包含年、月、日、小时的具体时间信息和每个时间点对应的负荷数据。所述步骤1包括：
3.根据权利要求1所述的一种基于时间卷积网络与informer组合模型的中长期电力负荷预测方法，其特征在于，所述步骤2包括：
4.根据权...
【专利技术属性】
技术研发人员：欧阳旭，杨胜杰，陈朝阳，毛蓉，
申请(专利权)人：湖南湖大华龙电气与信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。